基于pareto最优解集的多目标人工萤火虫群优化算法(ICMAL2011).docVIP

基于Pareto最优解集的多目标人工萤火虫群优化算法 龚巧巧 周永权 (广西民族大学数学与计算机科学学院 南宁 530006 ) 摘要：提出一种基于Pareto最优解集的多目标人工萤火虫群优化算法，通过采用“Pareto库”来存储当前得到的Pareto最优解，对每次迭代得到的Pareto解集例的解进行比较，从而更新“Pareto库”中解，这样更好引导萤火虫进行下一步的寻优，最终得到一个完整的Pareto最优解集。个测试函数的仿真实验结果也表明了算法关键词：多目标；人工萤火虫群算法；Pareto最优解集；“Pareto库” A Multi-objective Artificially Glowworm Swarm Optimization Algorithm Based on Pareto Optima Set Gong Qiaoqiao Zhou Yongquan (College of mathematics and Computer Science, National University of Guangxi Nanning Guangxi 530006, China) Abstract: A multi-objective artificially glowworm swarm optimization algorithm based on Pareto optima set is brought forward In this paper, by adopting a container called “Pareto Library ”to store Pareto optima found, Glowworms in “Pareto Library ”must be made comparisons each other and eliminated gradually, at last a whole Pareto optima set would be achieved. The emulation results of eight typical test functions proved the validity of this algorithm. Keywords: multi-objective function; artificially glowworm swarm optimization algorithm; Pareto optima set; “Pareto Library” 1 引 言 在科学计算与工程领域中优化问题中，优化对象的目标往往不止一个，具有一个以上目标函数的问题是相当常见的。多目标优化问题在优化过程中，各个子目标往往是相互冲突的，一个子目标性能的改善可能会引起另一个子目标性能的降低，因此通常不存在使所有子目标函数同时达到最小的绝对最优解，只能在它们之间进行折衷和协调，求解它们不同于含单个目标的优化问题，其最终结果是一组折衷解集，即所谓的Pareto最优解集[1]。 自从1950年以来，相关研究人员已提出了许多方法并用于解决多目标优化问题（Multi-,教授, 研究方向为神经网络,计算智能的及其应用.Email:yongquanzhou@126.com objective Optimization Problems，MOP），如多目标加权法[2]、目标规划[3]和约束法[3]等。然而这些传统方法都存在一些不足，如对Pareto最优解集比较敏感；要求个目标函数和约束条件可导；效率不高等。1967年，由R.S.Rosenberg在其博士论文中提出了运用遗传算法来求解MOP[5]。自此以后，群智能算法在多目标优化问题上的应用取得了相当大的进展。 人工萤火虫群优化算法(Glowworm Swarm Optimization Algorithm ,GSO)[6-7]算法是2005年K.N.Krishnanand和D.Ghose提出了一种新的群智能优化算法，它源于萤火虫群的捕食，寻找配偶等行为的模拟。该算法已在复杂函数优化方面取得成功。本文在研究的基础上尝试算法解决多目标优化问题。2 多目标优化问题 在可行域中确定由决策变量组成的向量，使得一组相互冲突的目标函数值尽量同时达到极小。一个MOP由n个决策变量，m个约束条件和k个目标函数组成，这些目标函数可以是线性的，也可以是非线性的。MOP的评价函数（是决策空间，是目标函数空间），MOP的解是使向量的各分量取得最小值的决策变量，其中是空间中一个n维的决策变量，把决策变量映射到向量。其数学表达式为： （1） 其中，为不等式约束条件。 定义1[8] （Pareto支配）：当满足下面条件，则称向量Pareto